L’intelligenza artificiale simula le economie e prevede quali startup riceveranno finanziamenti: TechCrunch

La ricerca nel campo dell’apprendimento automatico e dell’intelligenza artificiale, ora una tecnologia chiave praticamente in ogni settore e azienda, è troppo voluminosa perché chiunque possa leggerla tutta. Questa colonna mira a raccogliere alcune delle scoperte e dei documenti recenti più rilevanti, in particolare nell’intelligenza artificiale, ma non solo, e spiegare perché sono importanti.

Questa settimana in AI, gli scienziati hanno condotto un affascinante esperimento per prevedere in che modo le piattaforme “guidate dal mercato” come la consegna di cibo e le attività di trasporto merci influiscono sull’economia generale quando sono ottimizzate per obiettivi diversi, come la massimizzazione delle entrate. Altrove, a dimostrazione della versatilità dell’IA, un team proveniente dall’ETH di Zurigo ha sviluppato un sistema in grado di leggere le altezze degli alberi dalle immagini satellitari, mentre un gruppo separato di ricercatori ha testato un sistema per prevedere il successo di una startup dai dati web pubblici.

Il lavoro della piattaforma orientato al mercato si basa su AI Economist di Salesforce, un ambiente di ricerca open source per comprendere come l’IA potrebbe migliorare la politica economica. In effetti, alcuni dei ricercatori dietro l’AI Economist sono stati coinvolti nel nuovo lavoro, che è stato dettagliato in uno studio originariamente pubblicato a marzo.

Come i coautori hanno spiegato a TechCrunch via e-mail, l’obiettivo era indagare su mercati bilaterali come Amazon, DoorDash, Uber e TaskRabbit che godono di un maggiore potere di mercato a causa dell’aumento della domanda e dell’offerta. Utilizzando l’apprendimento per rinforzo, un tipo di sistema di intelligenza artificiale che impara a risolvere un problema a più livelli per tentativi ed errori, i ricercatori hanno addestrato un sistema per comprendere l’impatto delle interazioni tra piattaforme (ad esempio, Lyft) e consumatori (ad esempio, i motociclisti).

“Utilizziamo l’apprendimento per rinforzo per ragionare su come una piattaforma funzionerebbe con obiettivi di progettazione diversi… [Our] il simulatore consente di valutare le politiche di apprendimento per rinforzo in contesti diversi in base a obiettivi e ipotesi di modello diversi”, hanno detto i coautori a TechCrunch via e-mail. “Abbiamo esplorato un totale di 15 diverse impostazioni di mercato, ovvero una combinazione di struttura del mercato, conoscenza dell’acquirente sui venditori, [economic] intensità dello shock e obiettivo di progettazione.

Utilizzando il loro sistema di intelligenza artificiale, i ricercatori sono giunti alla conclusione che una piattaforma progettata per massimizzare le entrate tende ad aumentare le commissioni ed estrarre più profitti da acquirenti e venditori durante gli shock economici a scapito del benessere sociale. Quando le tariffe della piattaforma sono fisse (ad esempio, a causa della regolamentazione), hanno riscontrato che l’incentivo per la massimizzazione delle entrate di una piattaforma è generalmente allineato con le considerazioni sul benessere dell’economia generale.

I risultati potrebbero non essere sconvolgenti, ma i coautori ritengono che il sistema, che intendono rendere open source, potrebbe fornire una base per un’azienda o un decisore politico per analizzare un’economia di piattaforma in condizioni, progetti e considerazioni normative diverse. “Adottiamo l’apprendimento per rinforzo come metodologia per descrivere le operazioni strategiche delle attività di piattaforma che ottimizzano i loro prezzi e l’abbinamento in risposta ai cambiamenti nell’ambiente, sia lo shock economico che qualche regolamentazione”, hanno aggiunto. “Questo potrebbe fornire nuove intuizioni sulle economie di piattaforma che vanno oltre questo lavoro o quelle che possono essere generate analiticamente”.

Rivolgendo la nostra attenzione dalle attività di piattaforma al capitale di rischio che le alimenta, i ricercatori provenienti da Skopai, una startup che utilizza l’IA per caratterizzare le aziende in base a criteri come tecnologia, mercato e finanza, afferma di essere in grado di prevedere la capacità di una startup di attrarre investimenti utilizzando dati pubblicamente disponibili. Basandosi sui dati provenienti da siti Web di startup, social media e registri aziendali, i coautori affermano di poter ottenere risultati di previsione “paragonabili a quelli che utilizzano anche dati strutturati disponibili in database privati”.

L’applicazione dell’IA alla due diligence non è una novità. Correlation Ventures, EQT Ventures e Signalfire sono tra le aziende che attualmente utilizzano algoritmi per informare i propri investimenti. Gartner prevede che il 75% dei VC utilizzerà l’IA per prendere decisioni di investimento entro il 2025, rispetto a meno del 5% di oggi. Ma mentre alcuni vedono il valore della tecnologia, i pericoli si nascondono sotto la superficie. Nel 2020, l’Harvard Business Review (HBR) ha rilevato che un algoritmo di investimento ha sovraperformato gli investitori alle prime armi ma ha mostrato pregiudizi, ad esempio selezionando frequentemente imprenditori bianchi e uomini. HBR ha osservato che ciò riflette il mondo reale, evidenziando la tendenza dell’IA ad amplificare i pregiudizi esistenti.

In notizie più incoraggianti, gli scienziati del MIT, insieme ai ricercatori di Cornell e Microsoft, affermano di aver sviluppato un algoritmo di visione artificiale, STEGO, in grado di identificare le immagini fino al singolo pixel. Anche se questo potrebbe non sembrare significativo, è un enorme miglioramento rispetto al metodo convenzionale di “insegnare” un algoritmo per individuare e classificare oggetti in immagini e video.

Tradizionalmente, gli algoritmi di visione artificiale imparano a riconoscere gli oggetti (ad es. alberi, automobili, tumori, ecc.) mostrando molti esempi di oggetti che sono stati etichettati dagli esseri umani. STEGO elimina questo flusso di lavoro dispendioso in termini di tempo e lavoro applicando invece un’etichetta di classe a ciascun pixel dell’immagine. Il sistema non è perfetto – a volte confonde la semola con la pasta, per esempio – ma STEGO può segmentare con successo cose come strade, persone e segnali stradali, affermano i ricercatori.

Sul tema del riconoscimento degli oggetti, sembra che ci stiamo avvicinando al giorno in cui il lavoro accademico come DALL-E 2, il sistema di generazione di immagini di OpenAI, diventa prodotto. Una nuova ricerca della Columbia University mostra un sistema chiamato Opal progettato per creare immagini in primo piano per notizie da descrizioni di testo, guidando gli utenti attraverso il processo con suggerimenti visivi.

Opale

Quando l’hanno testato con un gruppo di utenti, i ricercatori hanno affermato che coloro che hanno provato Opal erano “più efficienti” nel creare immagini in primo piano per gli articoli, creando risultati due volte più “utilizzabili” rispetto agli utenti senza. Non è difficile immaginare uno strumento come Opal che alla fine si farà strada nei sistemi di gestione dei contenuti come WordPress, magari come plug-in o estensione.

“Dato il testo di un articolo, Opal guida gli utenti attraverso una ricerca strutturata di concetti visivi e fornisce pipeline che consentono agli utenti di illustrare in base al tono di un articolo, ai soggetti e allo stile di illustrazione previsto”, hanno scritto i coautori. “[Opal] genera diversi set di illustrazioni editoriali, risorse grafiche e idee concettuali.

Leave a Reply

Your email address will not be published.